维图全案度量白皮书 · 方法 / 样本 / 归因 / 局限

摘要 · Abstract

营销领域最常见的错误,是把相关当因果——看到投放后销量涨,就断定是投放带来的。维图全案的度量遵循三条原则:(1)三源交叉校验,用「券码到店核销 + 平台数据接口 + BI 看板」互相印证;(2)因果以实验为准,凡涉及「某动作带来增长」的判断,用 A/B 实验或地域对照(geo experiment)支撑,不以相关代替因果;(3)诚实标注边界,平台黑盒、样本偏差与外部效度的局限一律明示。本白皮书即上述方法的标准说明。

一 · 为什么需要度量科学

把"感觉有效"变成"可检验"

归因有偏差

末次点击(last-click)会高估临门一脚、低估种草;平台各自统计互不通约,需统一口径与离线核销校准。

需可重复

一次漂亮的数字可能是运气。科学要求方法透明、可复现、可审计,结论经得起复核。

二 · 度量框架

追踪什么:从理论构念到可观测指标

度量不是先拍脑袋定 KPI,而是从方法论页的理论出发,逐级操作化。「理论构念 → 可观测指标」权威对照表在方法论页;本白皮书专讲因果、样本、归因、指标字典与局限,不再复述那张短表。

打开方法论 · 操作化对照表 → 跳到本页指标字典

三 · 数据来源与样本

数据从哪来,样本怎么算

三源交叉校验

任一关键指标都尽量由三个独立来源互相印证,降低单源偏差:

券码到店核销 — 线下转化金标准,券号绑定桌号/订单,打通线上动作与线下到店
平台数据接口 — 抖音/视频号/小红书/美团/巨量/千川等官方数据(以实际授权为准)
BI 看板 — 内部统一口径聚合,供周报/月报与归因复盘

样本与口径

分析单元 — 以「门店 × 时间窗」为最小分析单元
时间窗 — 冷启动以 30 天为观察期,稳态以周/月滚动
脱敏 — 客户名称、品牌、具体数字均按最小必要原则处理,对外只出示方法与口径,不出示客户数据
一致性 — 同一指标在所有看板使用同一口径定义,避免"换个表就变"

样本说明:本白皮书不含具体样本量——样本来自在服务客户,披露规模与门店数需客户书面授权。但方法本身不依赖样本大小:每个指标的定义、口径、观察窗口与显著性判断规则都先写在这里,拿到数据即可复算。你带走的是一套能自己验的方法,不是几个漂亮数字。

四 · 归因方法

因果如何判断

描述性指标(曝光、到店)回答"发生了什么";因果指标(某动作带来多少增量)必须靠实验。维图采用业界标准的实验方法分级。

因果推断强度 · 上强 → 下弱(越靠上,越能对外宣称「某动作导致 X% 增长」;越靠下,越只能做贡献分配或报相关)

方法	强度	能回答什么	不能回答什么	适用场景
A/B 实验	强 · 可下因果	可随机分流的线上变量,某版本是否真更好;差异是否超出随机波动(看置信区间与显著性,而非"看着高了")。	只覆盖可随机分流的线上动作;样本太小则结论不稳;只判"哪个更好",不解释"为什么"。	素材、出价、落地页、私域话术等可分流变量。
地域对照 Geo	较强 · 准实验	无法随机分流的线下/区域动作(区域投放、门店活动)带来的增量;用处理群 vs 对照群前后对比,控制季节与趋势。	若处理群与对照群商圈/客流本就不同,增量会被混杂;难精确到单次动作。	LBS 投放、门店活动、跨店策略。
断点 / 前后对照	中 · 需对照基线	单一时点事件(冷启动、全案上线)前后指标变化;配同区域/同时段/未启动门店对照,剥离自然增长与外部因素。	无对照基线时,上升可能只是旺季或自然流量;混杂因素难完全分离。	冷启动、全案上线这类单一时点事件。
多触点归因 + 校准	校准后可用 · 贡献分配	跨平台路径中各触点贡献占比,用于预算分配;以券码到店核销这一离线金标准反向校准,修正平台偏倚。	本质是相关性 + 校准,不能直接下"导致"因果结论;未覆盖的偏倚仍存在。	全链路路径分析与预算分配。

原则:凡对外宣称"某动作带来 X% 增长",须有对应实验/对照支撑并标注置信水平;仅相关、无对照的结论,一律表述为"伴随/相关",不表述为"导致"。

五 · 指标字典

每个指标,定义清晰可复核

指标	定义	口径 / 计算	主数据源
曝光 Impressions	内容被展示的次数	各平台展示量求和	平台接口
到店核销	线上券/活动带来的线下到店转化	核销券号绑定桌号/订单计数	券码核销
CAC 获客成本	获取一名付费客户的平均成本	营销投入 ÷ 新客数	BI 看板
LTV 客户生命周期价值	客户在周期内贡献的净价值	客单 × 复购频次 × 留存周期 − 服务成本	BI 看板
激活率	到店/注册后完成关键动作的比例	完成首单/首评人数 ÷ 到店人数	BI 看板
留存率	特定窗口内再次到店的比例	第 N 日回头客 ÷ 同期新客(分 cohort)	BI 看板
复购率	周期内产生 ≥2 次消费的客户占比	复购客户数 ÷ 总客户数	BI 看板
NPS	净推荐值	推荐者% − 贬损者%(0–10 推荐意愿)	问卷
品牌搜索指数	品牌词搜索热度	平台搜索指数(归一化)	平台接口
ROI / ROAS	投放回报	归因营收 ÷ 投放花费	归因 + 核销校准

六 · 报告与统计口径

节奏透明,结论可审

周报 / 月报

周报同步核心指标与异常;月报做归因复盘与策略回灌,形成闭环。

置信水平

实验结论默认以 95% 置信水平(α=0.05)报告,并给出效应量与区间,不报点估计了事。

可复现

口径、样本窗、对照设置均存档,结论可复核;口径变更需记录版本。

七 · 局限与诚实边界

我们说清楚,什么我们测得准、什么测不准

平台黑盒

各平台算法与归因逻辑不完全透明,跨平台汇总量存在固有误差,需以离线核销校准但不可能完全消除。

样本偏差

单一门店/短窗口结论外推需谨慎;小样本下效应估计不稳定,须标注置信区间与样本量。

外部效度

海南餐饮的本地结论,迁移到其他地域/业态需重新验证,不默认通用。

合规:所有经营数据采集遵循最小必要原则,经客户授权并限于本协议服务使用,不对外披露;涉及个人信息的处理符合适用法规。客户数据归客户所有,合作结束可导出。详见《客户数据合规与归属说明》。

八 · 方法学参考

本白皮书方法所依文献

Kohavi, R., Tang, D., & Xu, Y. Trustworthy Online Controlled Experiments. Cambridge University Press, 2020. — A/B 实验设计与可信度标准。
Vaver, J., & Koehler, J. "Measuring Ad Effectiveness Using Geo Experiments." Google Research, 2011. — 地域对照实验方法。
Gordon, B. R., Zettelmeyer, F., Bhargava, N., & Chapsky, D. "A Comparison of Approaches to Advertising Measurement: Evidence from Big Field Experiments at Facebook." Marketing Science, 37(2), 2018. — 广告度量的实验比较。
Lewis, R. A., & Rao, J. M. "The Unfavorable Economics of Measuring Social Media Advertising." QME, 13(3), 2015. — 社交媒体度量的统计效力与样本问题。
Keller, K. L. "Conceptualizing, Measuring, and Managing Customer-Based Brand Equity." Journal of Marketing, 57(1), 1993. — 品牌资产度量(见方法论页)。
Reichheld, F. F. "The One Number You Need to Grow." Harvard Business Review, 81(12), 2003. — NPS(见方法论页)。
McClure, D. "Startup Metrics for Pirates: AARRR!!!" (2007). — 增长漏斗框架(见方法论页)。

说明:本白皮书为方法论说明文档,所列指标、样本与实验设计为方法学描述;所列指标、样本与实验设计均为方法学描述,正式结论以维图诊断与归因看板为准。

预约免费全案诊断 → 看方法论 / 参考来源

维图全案度量白皮书
方法 · 样本 · 归因 · 局限